論文の概要: A Robust Adversarial Network-Based End-to-End Communications System With
Strong Generalization Ability Against Adversarial Attacks
- arxiv url: http://arxiv.org/abs/2103.02654v1
- Date: Wed, 3 Mar 2021 20:04:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-07 20:53:19.371048
- Title: A Robust Adversarial Network-Based End-to-End Communications System With
Strong Generalization Ability Against Adversarial Attacks
- Title(参考訳): 対向攻撃に対する強汎化能力を有する強固な対向ネットワーク型エンドツーエンド通信システム
- Authors: Yudi Dong and Huaxia Wang and Yu-Dong Yao
- Abstract要約: ジェネレーションネットワークを利用して強力な敵をモデル化し、エンドツーエンドの通信システムがミニマックスゲームを介してジェネレーションアタックネットワークと戦うことを可能にします。
提案手法は,ホワイトボックスやブラックボックスの対向攻撃に対して有効であるだけでなく,無攻撃でも良好な性能を維持するための優れた一般化能力を有することを示す。
- 参考スコア(独自算出の注目度): 10.665634881184413
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a novel defensive mechanism based on a generative adversarial
network (GAN) framework to defend against adversarial attacks in end-to-end
communications systems. Specifically, we utilize a generative network to model
a powerful adversary and enable the end-to-end communications system to combat
the generative attack network via a minimax game. We show that the proposed
system not only works well against white-box and black-box adversarial attacks
but also possesses excellent generalization capabilities to maintain good
performance under no attacks. We also show that our GAN-based end-to-end system
outperforms the conventional communications system and the end-to-end
communications system with/without adversarial training.
- Abstract(参考訳): 本論文では,エンドツーエンド通信システムにおける敵対攻撃を防御するためのGANフレームワークに基づく新たな防御機構を提案する。
具体的には、生成ネットワークを利用して強力な敵をモデル化し、エンド・ツー・エンドの通信システムがミニマックスゲームを介して生成攻撃ネットワークと戦えるようにする。
提案手法は,ホワイトボックスやブラックボックスの対向攻撃に対して有効であるだけでなく,無攻撃でも良好な性能を維持するための優れた一般化能力を有することを示す。
また,GANをベースとしたエンドツーエンドシステムは,従来の通信システムやエンドツーエンド通信システムよりも,対角的訓練を伴わずに優れた性能を発揮することを示す。
関連論文リスト
- Generative AI-driven Cross-layer Covert Communication: Fundamentals, Framework and Case Study [62.5909195375364]
規制上の課題を軽減する効果的な戦略として、層間被覆通信機構が出現する。
生成人工知能(GenAI)を用いたエンドツーエンドのクロス層通信方式を提案する。
拡散強化学習を用いて, 層間安全な通信のクラウドエッジインターネットを構築するケーススタディを行った。
論文 参考訳(メタデータ) (2025-01-19T15:05:03Z) - Toward Mixture-of-Experts Enabled Trustworthy Semantic Communication for 6G Networks [82.3753728955968]
本稿では,新しいMixture-of-Experts(MoE)ベースのSemComシステムを提案する。
このシステムはゲーティングネットワークと複数の専門家で構成され、それぞれ異なるセキュリティ課題に特化している。
ゲーティングネットワークは、ユーザ定義のセキュリティ要件に基づいて、異種攻撃に対抗するための適切な専門家を適応的に選択する。
車両ネットワークにおけるケーススタディは、MoEベースのSemComシステムの有効性を示す。
論文 参考訳(メタデータ) (2024-09-24T03:17:51Z) - Mutual-modality Adversarial Attack with Semantic Perturbation [81.66172089175346]
本稿では,相互モダリティ最適化スキームにおける敵攻撃を生成する新しい手法を提案する。
我々の手法は最先端の攻撃方法より優れており、プラグイン・アンド・プレイ・ソリューションとして容易にデプロイできる。
論文 参考訳(メタデータ) (2023-12-20T05:06:01Z) - Synthesis of Adversarial DDOS Attacks Using Tabular Generative
Adversarial Networks [0.0]
攻撃のテクノロジーが進化を続ける中で、新しいタイプの攻撃が目立っている。
これらの攻撃の1つは、GAN(Generative Adversarial Networks)に基づく攻撃で、機械学習IDSの脆弱性を回避できる。
本研究は、GINを用いて生成した実DDoS攻撃を用いて合成された敵攻撃がIDSに与える影響について検討する。
論文 参考訳(メタデータ) (2022-12-14T18:55:04Z) - Improving Hyperspectral Adversarial Robustness Under Multiple Attacks [2.741266294612776]
本稿では,この問題に対処するために,敵識別器のアンサンブルネットワーク(ADE-Net)を提案する。
提案手法では, 識別器ネットワークを用いて, 攻撃タイプによるデータを, 特定の攻撃-熟練アンサンブルネットワークに分離する。
論文 参考訳(メタデータ) (2022-10-28T18:21:45Z) - Mixture GAN For Modulation Classification Resiliency Against Adversarial
Attacks [55.92475932732775]
本稿では,GANをベースとした新たな生成逆ネットワーク(Generative Adversarial Network, GAN)を提案する。
GANベースの目的は、DNNベースの分類器に入力する前に、敵の攻撃例を排除することである。
シミュレーションの結果,DNNをベースとしたAMCの精度が約81%に向上する可能性が示唆された。
論文 参考訳(メタデータ) (2022-05-29T22:30:32Z) - TnT Attacks! Universal Naturalistic Adversarial Patches Against Deep
Neural Network Systems [15.982408142401072]
ディープニューラルネットワークは、敵対的な入力からの攻撃に対して脆弱であり、最近では、トロイの木馬がモデルの判断を誤解したりハイジャックしたりする。
TnTは、シーン内でTnTでキャプチャされた任意の入力画像は、ネットワーク(未攻撃)を誤認する。
既存の最先端手法よりも高い攻撃成功率を達成するパッチを作成するための攻撃の一般化を示す。
論文 参考訳(メタデータ) (2021-11-19T01:35:10Z) - Adversarial Attacks On Multi-Agent Communication [80.4392160849506]
現代の自律システムはすぐに大規模に展開され、協調型マルチエージェントシステムの可能性を広げる。
このような利点は、セキュリティ侵害に対して脆弱であることが示されている通信チャネルに大きく依存している。
本稿では,エージェントが学習した中間表現を共有してコミュニケーションする新しいマルチエージェント環境において,このような攻撃を探索する。
論文 参考訳(メタデータ) (2021-01-17T00:35:26Z) - Adversarial Machine Learning for 5G Communications Security [4.336971448707467]
本稿では,敵対的機械学習の出現する攻撃面と無線通信に対する対応する攻撃を同定する。
対象は、既存ユーザーとの5G通信のスペクトル共有に対する攻撃だ。
結果から,5Gシステムの主な脆弱性が示唆された。
論文 参考訳(メタデータ) (2021-01-07T17:52:17Z) - A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。
本稿では,入力空間における自己教師型対向学習機構を提案する。
これは、反逆攻撃に対する強力な堅牢性を提供する。
論文 参考訳(メタデータ) (2020-06-08T20:42:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。